Mit dem Ausbau der Photovoltaik und dem wachsenden Anteil an Prosumern im Netz stehen Energieversorger vor neuen Herausforderungen bei der Prognose. Dabei werden gute Prognosen immer wichtiger: die Entwicklung des Schweizer Regelenergiemarktes macht sie zum relevanten Kostenfaktor. Verschiedene Elemente beeinflussen die Prognosegüte: die Qualität der Daten, geeignete Prognosemodelle und automatisierbare Prozesse. Im Artikel werden die einzelnen Elemente und die erfolgreiche Anwendung in der täglichen Praxis genauer beschrieben.
Die Energiewelt verändert sich – und mit ihr die Anforderungen an Prognosen
Die Energieversorgung befindet sich im Wandel. Photovoltaikanlagen (PV), Wärmepumpen, Elektrofahrzeuge und Batteriespeicher halten in immer mehr Haushalten und Betrieben Einzug und verändern damit das Lastverhalten der Kunden fundamental. Hinter dem Netzanschlusspunkt steigt die installierte flexible Leistung deutlich an.
Diese Entwicklung vollzieht sich schrittweise und stellt Energieversorger vor neue Anforderungen an Prognosen und Portfoliobewirtschaftung. Netzbetreiber und Bilanzgruppenverantwortliche erhalten die Messwerte am Netzanschlusspunkt und sehen nur noch einen kleinen Teil der physischen Realität hinter dem Netzanschlusspunkt.
Die Datenbasis: komplex, lückenhaft, entscheidend
Wer gut prognostizieren will, muss verstehen, was seine Daten wirklich aussagen – und das ist in der Praxis selten so einfach wie es klingt. Messdaten von Kunden treffen in der Regel erst am Folgetag ein und enthalten häufig Lücken, Ausreisser oder fehlerhafte Werte. Manchmal fehlen Messwerte für einzelne Zeiträume ganz, beispielsweise durch Übertragungsfehler, Zählerwechsel oder schlicht, weil die Messinfrastruktur das noch nicht hergibt. Das Ziel ist nicht eine perfekte Datenbasis, sondern stabile Verfahren, die mit dieser Realität umgehen können und trotzdem das bestmögliche Ergebnis liefern.
Lastprofile hängen von sehr vielen Faktoren ab. Wetterdaten – Temperatur, Strahlung, Wind – beeinflussen den Verbrauch ebenso wie Produktionspläne, Ferienzeiträume oder regionale Besonderheiten. Und dann sind da noch die Stammdaten: Welche flexiblen Anlagen hat der Kunde? Wie gross ist zum Beispiel die PV-Anlage, wie ist sie ausgerichtet und mit welcher Leistung kann ein vorhandener Speicher geladen / entladen werden? Diese Informationen würden die Prognose verbessern, liegen aber häufig nicht vor, sind veraltet oder lassen sich nicht direkt mit dem Prognosesystem verknüpfen.
Das führt zu einer Frage, die viele Energieversorger kennen: Was sehe ich eigentlich wirklich, wenn ich auf den Lastgang eines Kunden schaue? Verbrauch oder Verbrauch minus Eigenproduktion? Und wenn Letzteres: wie hoch ist die Eigenproduktion, wann fällt sie an und mit welchem Muster? Auf diese Fragen gibt es selten eine einfache Antwort aus den Stammdaten allein. Die Antwort liegt tiefer im Datenmuster selbst.
Präzision entsteht im Modell
Genau hier setzen moderne Prognosesysteme an. Moderne, auf künstlicher Intelligenz (KI) basierte Methoden sind sehr leistungsfähig. Sie analysieren die Zeitreihe jedes einzelnen Zählpunkts und beantworten automatisch die Fragen, die sich im Datenalltag stellen: Ob Eigenproduktion vorliegt, wie stark sie den Lastgang beeinflusst, welche Modellierung diese Einflüsse korrekt abbildet. Der Verteilnetzbetreiber liefert die Messdaten. Das System übernimmt den Rest.
Das System analysiert jeden Zählpunkt darauf hin, ob Wetterdaten einen messbaren Einfluss auf den Lastgang haben – beispielsweise über Korrelationsanalysen und weitere statistische Verfahren. Sofern ein solcher Zusammenhang besteht, wird ein entsprechend erweitertes Modell eingesetzt, andernfalls ein klassisches Lastmodell. Ausgewählte Stammdaten zu Kundenanlagen werden dabei nicht als Voraussetzung benötigt. Stehen sie zur Verfügung, verbessern sie die Qualität aber zusätzlich (beispielsweise installierte Leistung und Ausrichtung der PV-Anlage).
Ein weiterer Vorteil KI-basierter Methoden liegt im Umgang mit Sondertagen. Feiertage und Brückentage verändern das Lastverhalten erheblich und werden automatisch aus den historischen Lastgängen erkannt und modelliert, auch standort- und regionsspezifisch. Betriebsferien lassen sich zusätzlich manuell hinterlegen und werden dann ebenso in der Prognose berücksichtigt.
Unterschiedliche Horizonte, unterschiedliche Modelle
Entscheidend ist nicht nur, welche Daten ein Modell berücksichtigt, sondern auch, für welchen Zeithorizont es erstellt wird. Je nach Planungszweck verändern sich die relevanten Einflussfaktoren grundlegend.
Kurzfristige Intraday- und Day-ahead-Prognosen werden von aktuellen Messwerten und der unmittelbaren Wetterentwicklung dominiert. Wochen- und Monatsprognosen hingegen stützen sich stärker auf saisonale Muster und Produktionsplanungen. Für Langfristprognosen sind vor allem strukturelle Entwicklungen in der Einspeisung massgebend – etwa der weitere Zubau von PV-Anlagen oder Wärmepumpen im Netz, der das Lastprofil mittelfristig verändert und in klassischen Modellen nicht abgebildet wird.
Weil sich die relevanten Einflussfaktoren je nach Horizont grundlegend unterscheiden, setzen moderne KI-Systeme für jeden Zeithorizont spezialisierte Modelle ein. Das schafft eine konsistente Grundlage für verschiedene Anwendungsfälle: die Portfoliobewirtschaftung im Kurzfristbereich, die Beschaffungsplanung über mehrere Wochen, die Langfristprognose für Investitions- und Vertragsentscheidungen sowie Einspeiseprognosen im Rahmen der Direktvermarktung und für Netzbetreiber, die dezentrale Erzeuger abbilden müssen. Ein skalierbares Preismodell, das nicht nach Anzahl Zählpunkten oder Prognoseläufen differenziert, ermöglicht es, wirtschaftlich auf diese wachsenden Anforderungen zu reagieren.
Die technische Grundlage und Möglichkeiten in der Praxis
Was heute möglich ist, wäre vor wenigen Jahren noch undenkbar gewesen. Grosse Rechenleistung, skalierbare Cloud-Infrastruktur und der Fortschritt in der Algorithmenentwicklung ermöglichen es, bei Bedarf eine grosse Anzahl von Zählpunkten mit individuell angepassten Modellen in Sekundenschnelle zu berechnen – und das vollständig automatisiert. Erst diese technische Grundlage macht den Schritt von der manuellen Einzelprognose zur systematischen Portfoliobewirtschaftung in der Praxis realisierbar.
Die Erstellung von Prognosen sollte als ganzheitlicher Prozess von der Datenerfassung über die eigentliche Prognose bis zur Kontrolle der Prognosequalität betrachtet werden. Je mehr Schritte dabei automatisiert werden, desto grösser ist die Chance, schlechte Prognosen zu identifizieren und diese dann gezielt zu verbessern.
Überwachungsroutinen und Datenanalysen sind wichtige Werkzeuge für die Verbesserung des gesamten Prognoseprozesses. Dabei sind je nach Prognosetyp geeignete Gütemasse zu verwenden: Für Lastprognosen haben sich MAE (mean absolute error) und nRMSE (normalized root mean square error) bewährt. Für PV-Prognosen empfiehlt sich zusätzlich ein auf die installierte Leistung normierter Fehler, da absolute Fehler bei geringer Einstrahlung wenig aussagekräftig sind.
Mit automatisierten Auswertungen der Prognosequalität kann sich das Team auf die Analyse von Abweichungen und die Einordnung der Prognosegüte konzentrieren. Bei der Auswahl des Prognosedienstleisters und der Planung der Integration ist die Vollautomatisierung des Gesamtprozesses von Beginn an zu berücksichtigen. Erfahrungsgemäss wird mit einem teilautomatisierten Prozess gestartet, welcher dann Schritt für Schritt weiter automatisiert wird.
Moderne Prognosesysteme arbeiten vollständig automatisiert: Modellauswahl, Training auf neue Messdaten und laufende Güteüberwachung erfolgen ohne manuellen Eingriff. Die technische Integration erfolgt über eine REST-API oder individuelle Schnittstellen; Daten können bidirektional übertragen werden, was eine durchgehende Prozessautomatisierung ohne Medienbrüche ermöglicht.
Die Skalierung des Portfolios erfordert dabei keinen proportional wachsenden Betreuungsaufwand. Über die Automation kann die Anzahl der Prognosen jederzeit erhöht werden, etwa für mehrfache Intraday-Prognosen zur Unterstützung des Intraday-Handels. Ein faires Preismodell unterscheidet nicht zwischen der Anzahl zu prognostizierender Messpunkte oder Prognoseläufen.
Von der Prognose zur Praxis: Umsetzung bei ewb
Was in der Theorie überzeugend klingt, muss in der Praxis bestehen. ewb, der Energieversorger der Stadt Bern, hat die Einführung einer KI-basierten Prognose geprüft und sich nach einem Testlauf für die ifesca GmbH aus Ilmenau, Thüringen entschieden – ein 2016 gegründetes Unternehmen mit Fraunhofer-Hintergrund, spezialisiert auf Energieprognose und -optimierung mit einer Vielzahl von Kunden aus Energiewirtschaft und Industrie.
ewb erstellt mit ifesca Prognosen für mehrere Aggregate (z.B. Verbrauch und Produktion) unter Berücksichtigung der Unbundling- und Datenschutzvorgaben. Die KI-Prognosen haben zu einer messbaren Verbesserung der Prognosequalität geführt – mit direktem Effekt auf Ausgleichsenergiekosten, Prozesssicherheit und Portfoliobewirtschaftung. Wetterdaten beschafft das System selbst; ewb muss keine eigene Infrastruktur dafür vorhalten. Die technische Integration hat ewb vollständig eigenständig über die REST-API realisiert. Dies innerhalb kurzer Zeit und ohne externen Implementierungsaufwand.
Für die laufende Überwachung der Prognosequalität steht ein Portal zur Verfügung, das automatisierte Güteauswertungen bereitstellt. Das Team bei ewb kann sich dadurch auf die Analyse von Abweichungen und die Einordnung der Prognosegüte konzentrieren statt auf die Erstellung der Prognosen selbst.
Was Energieversorger jetzt tun sollten
Es lohnt sich, auf die richtigen Anbieter für Daten (Messdatendienstleister) und Prognosen zu setzen, um für die Zukunft gerüstet zu sein. Eigene Messgeräte können bei wichtigen Prognosen für aktuelle Daten eingesetzt werden. Neben der Auswahl des passenden Prognosedienstleisters ist die Skalierbarkeit der Lösung zu beachten. Für genaue Analysen der Kosten empfiehlt es sich, die Abweichungen im eigenen Portfolio viertelstundenscharf zu analysieren und die sehr teuren Viertelstunden zu identifizieren. Diese sind dann mit den Analysen der Prognosequalität zu vergleichen, um mögliche Fehlerquellen und Verbesserungspotenziale zu identifizieren.
Wer diesen Prozess konsequent automatisiert und auf lernfähige Prognosemodelle setzt, schafft die Grundlage, um Ausgleichsenergiekosten dauerhaft zu senken, Prozesse abzusichern und das Portfolio besser zu bewirtschaften.
